以下是一组某电商应用消费数据，你能从中看出什么？
| 日期 | 2019/06/01 | 2019/06/02 | 2019/06/03 | 2019/06/04 | 2019/06/05 | 2019/06/06 | 2019/06/07 |
|---|---|---|---|---|---|---|---|
| 金额（万） | 213 | 181 | 163 | 147 | 152 | 155 | 171 |
我们应该能很容易的注意到：
- 6月1日消费比较多
- 6月2日消费也很多，但相对降低
- 6月3号到6号消费量持平
- 6月7号又开始上涨
但是这些意味着什么呢？如果是一个数据分析师，他应该能结合数据的周期性规律进行解读：
- 6月1日儿童节，大家的购物需求可能会上涨，此时可能会有礼品购买、活动举办等情况发生。同时6月1日恰逢周六，节日与周末叠加，消费需求应该更旺盛。
- 6月2日周日，消费大幅降低，但依然保持着较高水平。
- 工作日周一和周五，分别对应工作日开始和结束，人们有着较高的消费需求。结合我们平日的工作，周一有可能企业会有集中的办公品采购，周五则可能提前进入周末假期。
总结起来，电商消费数据可能存在下述周期性规律：
- 周末消费量高
- 节日消费量高
- 工作日周二、周三、周四消费量低
- 工作日周一、周五消费量高
为更好的显示这样的周期性规律，可以绘制消费金额随时间的变化曲线：
为突出变化趋势，将每一天的消费金额减去平均值，再次绘制曲线如下：
这些观察对企业而言意味着什么呢？分为现状和未来两个方面来看。对于当前现状，可以分析当前业务是否健康。对于未来，可以预测后续消费数据，为仓库备货提供参考。
为分析业务健康状况，还需要历史数据做支撑。此时可以考虑搜集历史的消费数据进行分析。搜集前两周的数据，并以周为周期计算预测值如下：
其中：
- 6月1日预测数据由5月18日和5月25日数据的平均值得到，6月2日预测数据由5月19日和5月26日数据的平均值得到。以此类推。
- 节日效应为：6月1日的数据与预测数据之差，即
213 - 187.5 = 25.5 - 6月8日的数据由5月18日、5月25日、6月1日的数据减去节日效应，并取平均得到，即
(185 + 190 + 213 - 25.5) / 3 = 187.5
有了这些分析，可以发现：
- 除了节日效应之外，6月1日到7日这一周的数据与预测值相差不大，可以认为业务活动趋于稳定
- 下周需备足金额为1153万的货
如果还想进一步确定哪种货物备多少，那就继续分析每一种货物的出售情况。
上述分析结论可以有力的支持企业进行决策，这就是数据分析的力量。
数据分析的过程看上去好像很厉害的样子。但是仔细一想，这些分析的过程中也没用到什么高端的技术啊？作为程序员，这些我也会。事实上，这里主要是数据分析思维在发挥作用。
那么什么是数据分析思维，在我看来，就是有经验的数据分析师们惯用的思维模式。下面来看看都有哪些思维模式。
数据分析思维
数据分析思维一：建立标准的数据分析流程
回顾上述的数据分析过程，可以发现数据分析一般可以分为这样六个步骤：
- 定义分析目标：评估当前的业务状况，为库存管理提供支持
- 确定分析思路，提出假设：按时间维度进行分析，周末节假日消费高，工作日一五消费高，工作日二三四消费低
- 搜集数据：搜集前几周的数据
- 数据预处理：对数据进行初步的分析处理，处理空值、异常值等
- 分析数据，验证假设：分析数据变化规律，验证之前假设是否正确
- 给出结论及建议：当前业务表现正常，下周备货1153万
在开始真正分析数据之前，先定义分析目标、确定分析思路并提出合理假设，这两个前置步骤对于数据分析非常关键。它们决定了要如何进行后续分析。没有思路，无法进行分析。思路不对，则后续分析都是无用功。
除此之外，做出分析结论通常也是一件极具挑战的任务。如果分析结论不能论据充分并结合客观业务现状，那么来自业务方的挑战将使你失去信任。比如，在上面的例子中，如果我们发现6月1日销售额上涨，没有进行深入分析，就直接归因于市场部的营销活动做得好。这个时候，市场部的人跳出来说，我们没有做什么活动呀。那是不是很尴尬？
数据分析思维二：业务指导分析过程
先来思考一下，对于这样几个问题，你可以给出答案吗？
- 张妈妈的孩子半岁大，喝婴儿奶粉，请问多少天后张妈妈需要买下一罐？
- 李妈妈家想换房，一家又老又破旧的小房子却比一个优质的高层小区房单价贵一倍，为什么？
- 王女士信用卡额度20000，一个月刷了10000。她老公额度15000刷了7500。王女士和她老公谁对于银行更有营销潜力？
这里的答案分别是：
- 6
- 学区房与郊区房
- 差不多
如果我们没能答对这些问题，这说明我们不懂这部分业务。但是，这些业务知识对于一个数据分析师而言却非常重要。
比如，对于一个卖奶粉的电商业务，我们想统计流失的客户，以便进行客户挽回。应该如何计算客户是否流失呢？有了上面的业务知识，就可以很简单的知道，如果某个客户一周以上都没有再来买奶粉了，那他多半就是流失了。
比如，对于某一个房产中介，如果要进行线上广告投放，该如何定位目标群体呢？有了上面的业务知识，就可以知道，对于学区房，应该主要投放给有孩的较高收入家庭。对于郊区房，更多是投放给收入不高的青年家庭。
数据分析的一大误区就是过于专注数据，而忽视业务的指导。
事实上，丰富的业务知识是数据分析得以有效开展的前提。具备了相应的业务知识，就能具备对于数据的敏感度，不仅可以引导分析思路，还能避免一些明显的业务问题。
数据分析思维三：指标思维
比如“最近业绩上涨了”这只是说明业绩的一个变化，我们无法知道上涨的时间段或程度。指标思维就是“这个月业绩上涨10%”。这里对应的指标就是“月业绩上涨率”。
数据分析要避免用模糊的文字描述来衡量变化，而改用清楚的数字。
有些场景直接量化难以操作，此时就需要将其拆解为几个容易量化的指标。比如，衡量用户对产品的喜爱程度，可以改为衡量用户单次使用应用的平均时长、用户使用频次、分享次数等综合指标。
数据分析思维四：分析模型思维
成熟的业界研究多年的分析模型是数据分析师常用的工具包。
如需要分析行业发展前景时，行业竞争情况时，考虑使用SWOT、PEST、五力模型来进行分析。需要分析企业经营情况时，采用杜邦分析、评分积分卡模型等。需要分析市场营销、渠道运营可以考虑采用4P模型、4C模型、5W1H模型。分析用户时，可以考虑转换漏斗等。
这些分析模型可以帮助我们建立思维框架。
数据分析思维五：将复杂问题分解为小问题
数据分析师的一个关键思维方式就是将复杂问题拆解为小问题。
常用的分析模型可以帮助我们进行问题分解。但是不是任何地方都适用，很多时候我们需要结合场景进行问题拆解。
一般的做法就是采用思维导图来辅助进行拆解。比如，如果我们要分析如何短期扩大公司利润，从产品角度来看，可以进一步拆解为：现有产品与新产品，现有产品可以进一步拆解为主力产品和搭配产品，对于主力产品可能可以进一步扩大销售渠道。对于搭配产品，可以考虑停止生产，降低成本。对于新产品，可以考虑分解为设计阶段、研发阶段、试验阶段等。
注意这里的分解尽量做到MECE，为此可以采用分箱拆解法。比如用户消费能力可以按照消费额分解为五个等级。然后再对每个等级的用户采取不同的措施。
数据分析思维六：提出多种方案，并进行对比
解决问题的办法通常不止一种，如果我们找到一种方案便停止分析，在专业的业务人员看来，结论一般会过于草率，不够专业。
还是以如何扩大公司利润为例。可以有多种途径可以实现，从利润 = 收入 - 支出的公式来看，可以提高收入，也可以降低支出。而提高收入的方式又有多种，可以上调产品价格，扩大销售渠道，引入新产品等等。支出也可以进一步分为产品生产成本、市场推广成本、销售成本、运营成本、新品研发成本等等。具体采取哪种方式，需要结合公司战略、市场行情等因素综合确定。
数据分析思维七：对数据质量保持怀疑
数据分析师需要对数据质量保持怀疑的态度。因为数据搜集是一件很困难的事情，好的数据不一定有，数据有了不一定对。
因为涉及隐私问题，用户一般是不愿意提供数据的。我如何知道你会不会拿去卖给其他人？我也不想每天接到无数个贷款、中介的骚扰电话了。就算银行存款业务，在开户的时候也只能确保拿到正确的身份证，也就是只有性别和年龄，开通手机银行才能登记到准确的手机号。
其次，搜集高质量的数据是更很难的。比如，调查表可能是执行人员随便找人填的。又比如，申请房贷的时候，填的工资证明可能是房屋销售人员为了获取一定的银行回扣，故意让你填的一个数。
数据质量在企业中是一个永恒的话题，企业里面永远在想办法提升数据质量。常常能看到线下店购物注册会员有优惠或积分，这其实是商家让利以便获取用户的信息。信用卡提额可以通过提供资产证明来实现，银行通过给高额度来搜集客户资产信息。
既然获取高质量的数据这么困难，我们在分析数据时，就不能轻易相信数据的正确性。需要反复推敲信息来源并提出可能的问题，使用数据清洗，异常值处理等手段来降低数据噪音。
数据分析思维八：在全面深入分析之前，不过早下结论
数据分析是一个深入思考并进行数据验证的过程，不过早下结论是数据分析师需要具备的素质。
如果没有深入分析，我们可能会一看到应用日活上涨，就觉得是应用质量有提升。一提到引入新用户就是做广告。这么直接浅显的结论无法让人信服。
对于日活上涨，从用户结构的角度分析，我们可以看这些上涨来自哪一部分用户的贡献。来自新用户，还是老用户呢？是新用户增加了？还是老用户使用频率提高了？从营销的角度分析，我们可以看这些用户是来自哪个渠道的，进而分析这个渠道最近是不是有促销等等。
对于引入新用户，方法也很多。比如可以考虑不同业务线进行交叉销售，让销售人员进行电话营销，投资进行热点软文营销等等。
通常，对于一个结论的合理性，我们要尽可能的多方面去寻找数据支撑。只有进行过周密分析之后得出的结论才是有说服力的。
总结
前面讨论的数据分析思维多而杂，但是如果我们将其纳入一般的数据分析流程中，可以得到下图：
